Patenterer AI-markør som avgjør alvorlighet ved tarmkreft

– Markøren er mer treffsikker enn patologene på å klassifisere om en biopsi tilsier god eller dårlig prognose for pasienten, forklarer informatikkforsker Håvard Danielsen.

Han leder Institutt for kreftgenetikk og informatikk ved Oslo universitetssykehus, som leder forskningsprosjektet DoMore ved Radiumhospitalet.

Danielsen forteller til Dagens Medisin at de nå har søkt patent på biomarkøren, som de kaller DoMore-v1-CRC. Biomarkøren er en maskinlæringsalgoritme, som kan bistå klinikere i å avgjøre hvilke pasienter som bør få tilleggsbehandling med cellegift, etter tarmkreftoperasjon.

Danielsen forteller at de også har søkt patent på hvordan biopsibilder, som har veldig stor størrelse, deles opp for å kjøres gjennom en maskinlæringsalgoritme.

– Ingen bedre prognosemarkør
Danielsen fremholder at det ikke finnes noen sterkere prognostisk markør enn algoritmen for tykktarmskreft, og viser til at de i en Lancet-artikkel om markøren fra 2020 hevder å ha bedre treffsikkerhet enn patologer for å si noe om prognose. Da studien ble publisert i fjor, omtalte Aftenposten saken først.

– Vi har en hazard-ratio som var rundt fire for dem som algoritmen velger ut til å ha «dårlig prognose». Det vil si at det er fire ganger så stor sjanse for at pasienter algoritmen plasserer i disse gruppene, får tilbakefall, enn om de kun følger dagens behandling, forklarer Danielsen.

Å være god på å treffe med disse negative spådommene, er derfor et tegn på at metoden er treffsikker.

– Slik kan den prognostiske markøren brukes for å hjelpe klinikere til å avgjøre hvem som skal ha tilleggsbehandling, fordi den peker ut pasienter med dårlig prognose. Datamaskinen er tilnærmet dobbelt så god som patologene når den først stiller en diagnose om hvordan det går med pasienten, ifølge Danielsen.

Vanskelig klassifisering
Algoritmen forsøker å klassifisere tarmkreftpasientene innen tre grupper: God, usikker eller dårlig prognose.

Danielsen klargjør at målet er å plassere så mange som mulig i gruppen som sier enten god eller dårlig prognose, fordi klinikerne da kan bruke informasjonen fra den prognostiske markøren som en støtte i valg av behandling.

– Dette kan ses opp mot de andre faktorene som klinikerne vurderer, som tumorstørrelse, lymfeknutespredning og pasientens ønsker, når de velger hvem som skal få adjuvant behandling. Tilleggsbehandlingen er jo svært belastende. 

Danielsen viser til at patologer har en formidabel treffprosent (95 prosent) på å avgjøre om en biopsi er kreft.

– Her trenger de ikke støtteverktøy. Men flere patologer ønsker bedre verktøy for å si mer om prognosen til pasienten.

I sammenligningsmaterialet i studien benytter patologene histopatologisk gradering, for å si noe om differensieringsgraden i cellevevet og kunne plassere pasienten i en prognostisk gruppe.

– Patologene plasserte kun 20 prosent i en av de prognostiske gruppene som tilsier god eller dårlig prognose, mens 80 prosent var i usikker gruppe (grad 2).

Danielsen viser til at det er stor forskjell mellom treffsikkerheten til patologer og algoritmen.

– Algoritmen vår klarer å plassere 88 prosent av pasientene i enten «god» eller «dårlig»-gruppe, og 12 prosent er «uavklarte».

«Øye» for detaljer
Den store forskjellen i å komme frem til klare avgjørelser om klassifisering, kan forklares ved hvordan mennesker oppfatter et bilde, mens en datamaskin analyserer alle detaljer.

– Nevrale nett vurderer flere millioner egenskaper når de sammenligner biopsiene. Vi mennesker kan kanskje vurdere ti detaljer. Patologene har ikke like god mulighet for å si noe om prognosen for tykktarmspasienter på bakgrunn av biopsienes utseende. Her er dype nevrale nettverk (CNN) slik sett bedre enn øye-/hjernekombinasjonen.

Svart boks
Danielsen fremholder at ingen kan observere og ta stilling til hva datamaskinen har gjort, fordi mennesker ikke evner å se alle millioner egenskaper og sammenhengen som algoritmen finner med pasientutfall.

– Utfordringen med en prognostisk markør fra dype nevrale nettverk er at man ikke kan peke på hvordan datamaskinen har kommet frem til resultatet. Algoritmens fremgangsmetode er uviss og ligger i en «svart boks». Dette håper vi å finne ut av på sikt.

Danielsen opplyser at de nå også holder på med et lignende prosjekt for å utvikle en prognostisk markør for lungekreft, og prostata.

– Innen lungekreft begynner vi å få data som tilsier at dette er en god markør. For prostata er jeg mer usikker. Her har man allerede et veldig godt system – Gleason-skåring – for at patologene kan vurdere prognosen til pasientene, sier Danielsen.

Starter pilot
Danielsen forteller at tarmkreftmarkøren straks kan brukes som beslutningsstøtte i klinikken. Det nystartede selskapet DoMore Diagnostics ved Oslo Cancer Cluster skal samarbeide med Unilabs om en pilot for å bruke algoritmen til å analysere biopsisnitt av tarmkreftsvulster.

– Målet er at Unilabs kan levere dette som en tjeneste til patologene. I løpet av et minutt kan man få et prognostisk svar som gir mening når patologen sender inn bilder av biopsien.

Leder Ulla Randen i Den norske patologiforening sier til Dagens Medisin at de er positive til å teste ut prognosemarkøren, men peker på at i første omgang er det viktigste for patologien å få lagt om slik at all patologi blir digital.

– Dette er absolutt et viktig verktøy. Vi er veldig positive til et sånn system og at det skal implementeres i et fremtidig digitalt system. Men vi må nok først få digitalisert patologien i alle helseregionene. Foreløpig er kun Helse Midt digitalisert, og Helse Vest er på god vei, sier Randen.

Interessekonflikter: Selskapet DoMore Diagnostics ved Oslo Cancer Cluster samarbeider med Unilabs om et beslutningsstøtteverktøy. Håvard Danielsen og 21 av de andre forskerne ved samarbeidssykehusene har aksjer i DoMore Diagnostics.